| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-14页 |
| 1.1 高光谱图像分类的研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 高光谱图像分类的研究现状 | 第10-11页 |
| 1.2.2 基于主动学习的高光谱图像分类的研究现状 | 第11-12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第2章 高光谱图像分类及主动学习理论 | 第14-26页 |
| 2.1 高光谱图像特点 | 第14-15页 |
| 2.2 高光谱图像分类方法 | 第15-16页 |
| 2.2.1 监督学习 | 第15-16页 |
| 2.2.2 无监督学习 | 第16页 |
| 2.2.3 半监督学习 | 第16页 |
| 2.3 主动学习算法 | 第16-19页 |
| 2.3.1 主动学习概述 | 第16-17页 |
| 2.3.2 主动学习算法流程 | 第17-18页 |
| 2.3.3 主动学习采样策略 | 第18-19页 |
| 2.4 卷积神经网络 | 第19-25页 |
| 2.4.1 卷积层与Pooling层 | 第19-20页 |
| 2.4.2 全连接层与分类器 | 第20-21页 |
| 2.4.3 激活函数 | 第21-23页 |
| 2.4.4 网络的优化方法 | 第23-24页 |
| 2.4.5 卷积神经网络训练过程 | 第24-25页 |
| 2.5 本章小节 | 第25-26页 |
| 第3章 基于主动深度学习的高光谱图像分类 | 第26-41页 |
| 3.1 基于深度学习的主动学习方法 | 第26-29页 |
| 3.1.1 卷积神经网络不确定性 | 第26-27页 |
| 3.1.2 主动采样策略设计 | 第27-28页 |
| 3.1.3 主动深度学习方法实现流程 | 第28-29页 |
| 3.2 卷积神经网络模型设计 | 第29-30页 |
| 3.3 实验数据描述 | 第30-33页 |
| 3.4 实验结果与分析 | 第33-40页 |
| 3.4.1 数据预处理 | 第33-34页 |
| 3.4.2 邻域窗口大小的分类对比 | 第34页 |
| 3.4.3 实验参数设计 | 第34-35页 |
| 3.4.4 实验结果分析 | 第35-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第4章 基于贝叶斯主动深度学习的高光谱图像分类 | 第41-53页 |
| 4.1 贝叶斯卷积神经网络不确定性估计 | 第41-43页 |
| 4.1.1 贝叶斯近似推断 | 第41-42页 |
| 4.1.2 不确定性估计 | 第42-43页 |
| 4.2 不确定采样策略设计 | 第43-45页 |
| 4.3 基于贝叶斯主动学习方法实现流程 | 第45-46页 |
| 4.4 实验结果与分析 | 第46-52页 |
| 4.4.1 数据预处理 | 第46-47页 |
| 4.4.2 贝叶斯卷积网络模型 | 第47-48页 |
| 4.4.3 实验参数设计 | 第48页 |
| 4.4.4 实验结果分析 | 第48-51页 |
| 4.4.5 分类效果图 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 结束语 | 第53-55页 |
| 参考文献 | 第55-58页 |
| 致谢 | 第58-59页 |
| 攻读学位期间参加的科研项目和成果 | 第59页 |